CN115600089A - 联合WGAN-GP和SADNet的微地震信号去噪方法 - Google Patents

联合WGAN-GP和SADNet的微地震信号去噪方法 Download PDF

Info

Publication number
CN115600089A
CN115600089A CN202211071401.7A CN202211071401A CN115600089A CN 115600089 A CN115600089 A CN 115600089A CN 202211071401 A CN202211071401 A CN 202211071401A CN 115600089 A CN115600089 A CN 115600089A
Authority
CN
China
Prior art keywords
data
micro
sadnet
wgan
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211071401.7A
Other languages
English (en)
Inventor
余梅
盛冠群
王向雨
马凯
郑悦林
汤婧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202211071401.7A priority Critical patent/CN115600089A/zh
Publication of CN115600089A publication Critical patent/CN115600089A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. analysis, for interpretation, for correction
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Geology (AREA)
  • Geophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Acoustics & Sound (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

一种联合WGAN‑GP和SADNet的微地震信号去噪方法，将微地震信号样本输入到WGAN‑GP网络中，加入噪声信号条件，通过生成对抗模型，来生成大量训练样本集，对小样本数据集扩容；利用WGAN‑GP完成扩充后的训练样本作为输入对SADNet进行训练；将采集待测微地震资料输入已训练好的SADNet，输出去噪后的微地震资料。本发明利用WGAN‑GP对微地震信号小样本数据集进行扩容，SADNet中残差空间自适应块引入的可变卷积可以适应空间纹理和边缘变化，关注全局上下文编码解码结构可以提取多尺度信息，从而提升微地震信号复杂噪声去噪精度。

Description

联合WGAN-GP和SADNet的微地震信号去噪方法
技术领域
本发明属于微地震信号去噪领域，特别涉及一种联合WGAN-GP和SADNet的微地震信号去噪方法。
背景技术
目前，随着在页油气和非常规油气的开始逐渐被开采，在油气开采方面的微地震监测技术已经很长一段时间吸引起人们对合理安全对资源开发的关注。一般来说通过水力压裂或常规注水等方式来监测地下裂缝、油气分布、压力变化分布情况，从而能够为油气的开采提供一种高效、安全的方式。然而由于在微地震监测工作时采集到的微地震信号易受到外界各种其它噪声的干扰，导致微地震信号中实际所需的有效信号占比不高，如果不对微地震信号去噪，从信噪比占比不高的微地震信号中很难得到所需信号。采集的微地震信号样本从目前各种方法来看，由于采集到的微地震信号存在“其它干扰噪声复杂，有效信号占比不高”，以及采集微地震信号为小样本数据集时，传统对微地震信号的去噪方法很难提高有效信号的信噪比，微地震信号去噪工作效率和质量不是令人很满意。对此，寻找一种高效率、高质量的微地震去噪方法是目前非常所需要的。
近年来，深度学习在对于微地震信号去噪方面有很好的前景，针对微地震信号中有效信号存在的小样本数据集问题和干扰噪声的复杂性,为了完成对存在干扰信号进行去噪，提高微地震有效信号的信噪比，对此发明人团队在近几年内提出了一种联合WGAN-GP[Ishaan Gulrajani,Faruk Ahmed等,2017年]和SADNet[Meng Chang,Qi Li等,2020年]的新方法来完成对微地震信号的去噪相关工作。但仍然存在一些技术问题为：对于微地震信号复杂噪声的去噪精度不高、去噪效果不佳。
发明内容
鉴于背景技术所存在的技术问题，本发明所提供的联合WGAN-GP和SADNet的微地震信号去噪方法，本发明利用WGAN-GP对微地震信号小样本数据集进行扩容，SADNet中残差空间自适应块引入的可变卷积可以适应空间纹理和边缘变化，关注全局上下文编码解码结构可以提取多尺度信息，从而提升微地震信号复杂噪声去噪精度。
为了解决上述技术问题，本发明采取了如下技术方案来实现：
一种联合WGAN-GP和SADNet的微地震信号去噪方法，步骤为：
步骤一、将微地震信号样本输入到WGAN-GP网络中，加入噪声信号条件，通过生成对抗模型，来生成大量训练样本集，对小样本数据集扩容；
WGAN-GP对生成样本的目标函数定义如下：
Figure BDA0003830474320000021
式中，x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，λ是超参数，D(x)是判别器概率分布，
Figure BDA0003830474320000022
是正则化；在公式(1)中通过加入的惩罚采样x～px(x)来约束Lipschit函数，通过正则化对生成样本进行梯度约束；
步骤二、利用WGAN-GP完成扩充后的训练样本作为输入对SADNet进行训练；
SADNet使用4个多尺度的编码-解码结构，每个结构通道数在本文中分别设置为32、64、128、256，第一个和最后一个Conv层的核大小设置为1×1，最后的输出根据输入设置为1，在采样层使用2×2滤波卷积核，其他Conv层的核大小为3×3；
SADNet首先通过1层Conv层来从输入的训练样本中提取样本初始特征，后将提取的样本初始特征输入到多层解码-编码结构图中完成对样本的去噪工作；在编码部分使用ResBlock提取不同尺度的特征；再针对微地震信号复杂噪声灵活捕获信号特征，原理表示如下：
Figure BDA0003830474320000023
式中，wi表示卷积核中位置p的权值，pi表示在N(p)中的位置；Δpi为位置pi的学习偏移，Δmi为可学习的调制变量,取值范围为[0,1]；
将重构特征输入到Conv层来还原去噪得到输出结果为
Figure BDA0003830474320000024
x为输入的数据样本，
Figure BDA0003830474320000025
为去噪后的样本数据；
步骤三、将采集待测微地震资料输入已训练好的SADNet，输出去噪后的微地震资料。
优选的方案中，所述的步骤一中，x～px(x)的数据分布范围在真实数据分布与生成数据分布中间的分布，数据的实现方法是通过在真实数据分布Pdata和生成数据分布Pg各进行一次采样，然后在这两个数据分布集上再做一次随机采样，x～px(x)取值公式如下：
x～px(x)＝ε(x～pdata(x))+(1-ε)(x～pg(x)) (2)
式中，x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，随机数ε取值服从[0,1]的均匀分布。
优选的方案中，所述的λ的取值为10
本专利可达到以下有益效果：
本发明采用联合WGAN-GP和SADNet来完成对微地震信号的去噪工作。有三个方面的优点，1、通过WGAN-GP可以对小样本扩容，生成的训练样本集作为SADNet，只需要少量样本训练集即可完成微地震信号去噪工作；2、SADNet中残差空间自适应块中的可变卷积，可以针对噪声复杂的微地震信号提取信号纹理和边缘特征；3、在SADNet中使用多层编码-解码结构可以提取全局上下文信息，其中编码部分使用ResBlocks进行多尺度特征提取，context block来扩大感受野并捕获多尺度信息，在解码部分，使用RSABs消除噪声并重构纹理从粗到细地去除噪声。
本发明联合WGAN-GP和SADNet可以在小样本数据集问题和复杂噪声干扰的信号去噪工作上取得良好的效果，将极大提高微地震监测信号的去噪效率和精度。从图5-8中可以看出，DnCNN、UDnCNN和DUDnCNN都能减少噪声。DnCNN与UDnCNN的去噪结果显示，干扰噪声残余依然严重，与之前两个网络相比较，本发明所提出的新方法，在WGAN-GP对小样本数据集扩容后，DUDnCNN网络对于微地震信号有效信号信噪比更高，说明本专利的方法去噪精度更高，效果更好。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明联合WGAN-GP和SADNet方法工作流程图；
图2为本发明SADNet结构图；
图3为本发明Context block结构图；
图4为本发明RASBs结构图；
图5为本发明微地震噪音信号图；
图6为本发明DnCNN处理结果；
图7为本发明UDnCNN处理结果；
图8为本发明DUDnCNN处理结果。
具体实施方式
本发明针对微地震信号中“小样本数据集，干扰噪声复杂”问题，WGAN-GP[IshaanGulrajani,Faruk Ahmed等,2017年]可以对微地震信号小样本数据集进行扩容，SADNet[Meng Chang,Qi Li等,2020年]中残差空间自适应块引入的可变卷积可以适应空间纹理和边缘变化，关注全局上下文编码解码结构可以提取多尺度信息，从而提升微地震信号复杂噪声去噪精度。由此产生了一种联合WGAN-GP[Ishaan Gulrajani,Faruk Ahmed等,2017年]和SADNet[Meng Chang,Qi Li等,2020年]的新方法来对微地震信号进行去噪工作，主要改进点如下：
1)通过WGAN-GP[Ishaan Gulrajani,Faruk Ahmed等,2017年]来对小样本数据集进行扩容工作，作为SADNet[Meng Chang,Qi Li等,2020年]网络的输入训练样本集。
2)利用SADNet[Meng Chang,Qi Li等,2020年]中残差空间自适应块引入的可变卷积可以适应微地震信号纹理和边缘变化，带有上下文块的解码编码可以提取微地震信号多尺度信息，针对训练样本集中复杂的干扰噪声。通过结合样本扩容和去噪网络，提升对微地震信号去噪工作的效率和精度。
具体去噪方法如下：
优选的方案如图1至图8所示，一种联合WGAN-GP和SADNet的微地震信号去噪方法，步骤如下：
步骤一、将干净的微地震信号样本输入到WGAN-GP网络中，加入噪声信号条件，通过生成对抗模型，来生成大量训练样本集，对小样本数据集扩容。WGAN-GP的原理如下：
WGAN-GP对生成样本的目标函数定义如下：
Figure BDA0003830474320000041
在公式(1)中x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，λ是超参数，本实施例取值为10，D(x)是判别器概率分布，
Figure BDA0003830474320000042
是正则化；在公式(1)中通过加入的惩罚采样x～px(x)来约束Lipschit函数，通过正则化对生成样本进行梯度约束，
x～px(x)的数据分布范围在真实数据分布与生成数据分布中间的分布，数据的实现方法是通过在真实数据分布Pdata和生成数据分布Pg各进行一次采样，然后在这两个数据分布集上再做一次随机采样，x～px(x)取值公式如下：
x～px(x)＝ε(x～pdata(x))+(1-ε)(x～pg(x)) (2)
公式(2)中x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，随机数ε取值服从[0,1]的均匀分布。
步骤二、利用WGAN-GP完成扩充后的训练样本作为输入对SADNet进行训练，SADNet网络结构图见图2所示，
SADNet使用4个多尺度的编码-解码结构，每个结构通道数在本文中分别设置为32、64、128、256，第一个和最后一个Conv层的核大小设置为1×1，最后的输出根据输入设置为1，在采样层使用2×2滤波卷积核，其他Conv层的核大小为3×3。
SADNet首先通过1层Conv层来从输入的训练样本中提取样本初始特征，后将提取的样本初始特征输入到多层解码-编码结构图中完成对样本的去噪工作。在编码部分使用ResBlock提取不同尺度的特征，这里ResBlock使用Leaky ReLU作为激活函数，同时删去Batch Normalization层，使用context block见图3所示，图中使用几种具有不同扩张率的空洞卷积来扩大感受野并捕获多尺度信息；减少参数数量和网络的计算量，最后将不同的感受野提取的特征融合用于解码部分输出结果。
在解码部分，RSABs见图3所示，图中采用了可变卷积来学习偏移图，从而可以避免干扰特征对输出结果的影响。再针对微地震信号复杂噪声灵活捕获信号特征，原理表示如下：
Figure BDA0003830474320000051
公式(3)中wi表示卷积核中位置p的权值，pi表示在N(p)中的位置。Δpi为位置pi的学习偏移，Δmi为可学习的调制变量,取值范围为[0,1]。
将重构特征输入到Conv层来还原去噪得到输出结果为
Figure BDA0003830474320000052
x为输入的数据样本，
Figure BDA0003830474320000053
为去噪后的样本数据。为保证SADNet去噪性能，本文中使用L2Loss训练生成样本数据，L1Loss训练真实样本数据。
步骤三、将采集待测微地震资料输入已训练好的SADNet，输出去噪后的微地震资料。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (3)

1.一种联合WGAN-GP和SADNet的微地震信号去噪方法，其特征在于包括以下步骤：
步骤一、将微地震信号样本输入到WGAN-GP网络中，加入噪声信号条件，通过生成对抗模型，来生成大量训练样本集，对小样本数据集扩容；
WGAN-GP对生成样本的目标函数定义如下：
Figure FDA0003830474310000011
式中，x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，λ是超参数，D(x)是判别器概率分布，
Figure FDA0003830474310000012
是正则化；在公式(1)中通过加入的惩罚采样x～px(x)来约束Lipschit函数，通过正则化对生成样本进行梯度约束；
步骤二、利用WGAN-GP完成扩充后的训练样本作为输入对SADNet进行训练；
SADNet使用4个多尺度的编码-解码结构，每个结构通道数在本文中分别设置为32、64、128、256，第一个和最后一个Conv层的核大小设置为1×1，最后的输出根据输入设置为1，在采样层使用2×2滤波卷积核，其他Conv层的核大小为3×3；
SADNet首先通过1层Conv层来从输入的训练样本中提取样本初始特征，后将提取的样本初始特征输入到多层解码-编码结构图中完成对样本的去噪工作；在编码部分使用ResBlock提取不同尺度的特征；再针对微地震信号复杂噪声灵活捕获信号特征，原理表示如下：
Figure FDA0003830474310000013
式中，wi表示卷积核中位置p的权值，pi表示在N(p)中的位置；Δpi为位置pi的学习偏移，Δmi为可学习的调制变量,取值范围为[0,1]；
将重构特征输入到Conv层来还原去噪得到输出结果为
Figure FDA0003830474310000014
x为输入的数据样本，
Figure FDA0003830474310000015
为去噪后的样本数据；
步骤三、将采集待测微地震资料输入已训练好的SADNet，输出去噪后的微地震资料。
2.根据权利要求1所述的联合WGAN-GP和SADNet的微地震信号去噪方法，其特征在于：步骤一中，x～px(x)的数据分布范围在真实数据分布与生成数据分布中间的分布，数据的实现方法是通过在真实数据分布Pdata和生成数据分布Pg各进行一次采样，然后在这两个数据分布集上再做一次随机采样，x～px(x)取值公式如下：
x～px(x)＝ε(x～pdata(x))+(1-ε)(x～pg(x)) (2)
式中，x～pdata(x)是真实数据分布，x～pg(x)是生成数据分布，x～px(x)是介于真实数据分布x～pdata(x)和生成数据分布x～pg(x)中的采样分布，随机数ε取值服从[0,1]的均匀分布。
3.根据权利要求1所述的联合WGAN-GP和SADNet的微地震信号去噪方法，其特征在于：λ的取值为10。
CN202211071401.7A 2022-09-02 2022-09-02 联合WGAN-GP和SADNet的微地震信号去噪方法 Pending CN115600089A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211071401.7A CN115600089A (zh) 2022-09-02 2022-09-02 联合WGAN-GP和SADNet的微地震信号去噪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211071401.7A CN115600089A (zh) 2022-09-02 2022-09-02 联合WGAN-GP和SADNet的微地震信号去噪方法

Publications (1)

Publication Number Publication Date
CN115600089A true CN115600089A (zh) 2023-01-13

Family

ID=84843297

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211071401.7A Pending CN115600089A (zh) 2022-09-02 2022-09-02 联合WGAN-GP和SADNet的微地震信号去噪方法

Country Status (1)

Country Link
CN (1) CN115600089A (zh)

Similar Documents

Publication Publication Date Title
CN107728211B (zh) 基于张量核范数正则化的地震信号恢复算法
CN113935467B (zh) 基于迭代多尺度注意力网络的das井中勘探数据噪声抑制方法
CN110580682A (zh) 一种基于优化生成对抗网络地震数据超分辨率重建方法
CN104677632A (zh) 利用粒子滤波与谱峭度的滚动轴承故障诊断方法
CN107144879A (zh) 一种基于自适应滤波与小波变换结合的地震波降噪方法
CN107179550B (zh) 一种数据驱动的地震信号零相位反褶积方法
CN104077749A (zh) 一种基于轮廓波变换的地震数据去噪方法
CN102945548A (zh) 一种基于方向金字塔滤波的图像处理方法及装置
CN106094046A (zh) 基于奇异值分解和小波分析的时间域航空电磁数据去噪方法
CN110632662A (zh) 一种利用DCNN-Inception网络自动识别微地震信号的算法
CN104730576A (zh) 基于Curvelet变换的地震信号去噪方法
Li et al. Distributed acoustic sensing vertical seismic profile data denoising based on multistage denoising network
CN105676292B (zh) 一种基于二维曲波变换的三维地震数据去噪方法
CN114325821A (zh) 基于3d-snacnn网络的叠前地震资料中强散射噪声压制方法及系统
CN115600089A (zh) 联合WGAN-GP和SADNet的微地震信号去噪方法
CN103645504A (zh) 基于广义瞬时相位及p范数负模的地震弱信号处理方法
Li et al. An attention‐guided convolution neural network for denoising of distributed acoustic sensing–vertical seismic profile data
Li et al. Removing abnormal environmental noise in nodal land seismic data using deep learning
CN105700019A (zh) 一种基于Born-Jordan时频分布的地震信号时频峰值滤波方法
CN116186498A (zh) 一种基于自监督学习的地震信号噪声压制方法及系统
CN116184502A (zh) 一种基于子空间投影注意力网络的井中das噪声抑制方法
CN115561817A (zh) 一种基于多重注意力机制的沙漠地震去噪方法
CN108037533A (zh) 一种基于块重组期望对数似然的地震勘探噪声压制方法
CN112578439A (zh) 一种基于空间约束的地震反演方法
CN114966859A (zh) 基于深度卷积神经网络的多次波自适应压制方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination